JHiMA-WebRL
一种面向长程Web任务的分层多智能体强化学习框架，将智能体分解为任务分解器和子任务条件执行器，通过两阶段训练（教师模型监督微调+双角色GRPO联合优化）实现规划与执行的闭环协作。
时间轴 (近 90 天)
JHiMA-WebRL框架来自arXiv的最新研究，采用规划器+执行器联合训练的思路，让7B级小模型在长程Web导航任务上追平甚至超越更大的单体模型。
JHiMA-WebRL将Web智能体拆分为任务分解器（decomposer）和子任务条件执行器（actor），分解器推断高层子任务，执行器完成视觉定位与具体操作。
JHiMA-WebRL训练分两阶段：第一阶段用强教师模型构造结构化子任务监督信号并微调两个模块；第二阶段将GRPO扩展到双角色场景，通过分层rollout分组和角色特定优势估计在WebArena环境中联合优化两个模块。
JHiMA-WebRL将GRPO扩展到双角色场景，需要为分解器和执行器分别定义奖励信号并做角色特定的优势估计，同时通过分层rollout保证同一组内样本来自相同的子任务上下文。
消融实验验证了联合更新的价值：在RL阶段同时更新分解器，效果优于只更新执行器。
37.2%的成功率说明长程Web任务远未被解决，多数任务仍然失败。
信用分配问题在JHiMA-WebRL中指如何将全局奖励合理归因到分解器和执行器两个角色上，是后续改进的重要着力点。
全部知识事实 (7)
JHiMA-WebRL框架来自arXiv的最新研究，采用规划器+执行器联合训练的思路，让7B级小模型在长程Web导航任务上追平甚至超越更大的单体模型。
50%待验证JHiMA-WebRL将Web智能体拆分为任务分解器（decomposer）和子任务条件执行器（actor），分解器推断高层子任务，执行器完成视觉定位与具体操作。
50%待验证JHiMA-WebRL训练分两阶段：第一阶段用强教师模型构造结构化子任务监督信号并微调两个模块；第二阶段将GRPO扩展到双角色场景，通过分层rollout分组和角色特定优势估计在WebArena环境中联合优化两个模块。
50%待验证JHiMA-WebRL将GRPO扩展到双角色场景，需要为分解器和执行器分别定义奖励信号并做角色特定的优势估计，同时通过分层rollout保证同一组内样本来自相同的子任务上下文。
50%待验证消融实验验证了联合更新的价值：在RL阶段同时更新分解器，效果优于只更新执行器。
50%待验证37.2%的成功率说明长程Web任务远未被解决，多数任务仍然失败。
50%待验证信用分配问题在JHiMA-WebRL中指如何将全局奖励合理归因到分解器和执行器两个角色上，是后续改进的重要着力点。
50%